![](https://img-blog.csdnimg.cn/9d017c7c4d4c4e3c99a6e9d387571457.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
知识图谱
文章平均质量分 91
本栏主要是涉及知识图谱(KG)的相关知识。
Dr.Petrichor
计算机专业博士研究生,华为云计算专家,CSDN博客专家,CSDN人工智能领域优质创作者,现主要研究Python数据分析、机器学习、NLP相关领域内容。
展开
-
关系抽取之远程监督算法(Distant Supervision)
信息抽取是自然语言处理中非常重要的一块内容,包括实体抽取(命名实体识别,Named Entity Recognition)、关系抽取(Relation Extraction)和事件抽取(Event Extraction)。这次介绍的关系抽取属于自然语言理解(NLU)的范畴,也是构建和扩展知识图谱的一种方法。转载 2022-09-14 16:09:33 · 5383 阅读 · 3 评论 -
KNN-KG论文学习笔记
最近在看知识图谱嵌入和知识推理方面的知识,考虑到TransC模型中关系传递性造成的语义缺失的错误传递,近期看的一篇论文《》(2022,记忆推理:最近邻知识图谱嵌入,已上传arxiv,暂未录用),可以利用增强记忆网络和KNN来学习新的实体embedding并存入knowledgestore。原创 2022-09-03 13:51:16 · 1181 阅读 · 0 评论 -
TransC知识表示模型
DifferentiatingConceptsandInstancesforKnowledgeGraphEmbedding》(2018)提出了一种新的区分概念和实例的知识图谱表示学习方法,将上下位关系与普通的关系做了区分,可以很好的解决上下位关系的传递性问题,并且能够表示概念在空间中的层次与包含关系。向量的和就是信息的积累。但实体和关系可能比这更复杂。将这种关系分为四种不同的关系,即(A,Relation,B),A和B之间的关系为B包含于A,二者无关,二者相交,A包含于B。...原创 2022-07-22 14:31:16 · 778 阅读 · 0 评论 -
TransE模型学习笔记
目录一、知识表示学习的引入二、论文摘要三、方法介绍(一)建模多关系数据(二)关系嵌入到向量空间中的翻译四、TransE模型(一)学习实体和关系的低维嵌入向量(二)基于“能量”的计算方法五、算法流程六、实验(一)数据集(二)实验设置(三)链接预测(四)详细结果(五)学习预测新关系七、结论参考文档今天分享的是NIPS 2013的一篇经典论文《Translating Embeddings for Modeling Multi-relational Data》原文连接:https://proceedings.neu原创 2022-07-09 00:15:48 · 4451 阅读 · 3 评论